Ajuste de Curvas

Prof. Jos Carlos

Althof

Ementa:
6.1 Introduo
6.2 Ajuste Linear Simples
6.3 Ajuste Linear Mltiplo
6.4 Ajuste Polinomial
6.5 Transformaes de Modelos
No Lineares em Lineares

 Os valores que uma funo pode

assumir esto associados, alm dos
erros
experimentais,
a
outras
variveis cujo os valores se alteram
durante o experimento.
Ao se estudar a relao entre duas
variveis deve-se inicialmente fazer
um diagrama de disperso para
termos uma ideia do comportamento
da funo.

Ajuste Linear Simples

Exemplo 1:
Seja a tabela abaixo que representa
dados de campo:
n

xi

yi

1,3

3,4

5,2

5,1

3,8

6,8

6,1

5,8

A tabela gera o grfico de

disperso abaixo
7
6
5
yi

4
3
2
1
0
0

 O tipo de relao mais simples entre

duas variveis a relao linear.
Nesta relao, temos uma varivel
independente x relacionada a uma
varivel resposta ou dependente y
por meio de um modelo linear, por
exemplo:
y=b0+b1.x

 Para estimarmos os parmetros b0 e

b1, devemos recorrer ao mtodo dos
quadrados mnimos.
Esta tcnica estima os parmetros
de forma que a distncia total entre
a equao ajustada e os pontos do
experimento seja a menor possvel.

 As equaes para determinao dos

parmetros b0 e b1 so:

y b0 b1.x
b1

x . y n. ( x . y )

x n. x
y b . x

i
2

2
i

b0

Como vimos os parmetros bo e b1

So obtidos atravs da anlise do
desvio entre o y real e o y calculado
atravs da equao do ajuste.

Quando derivamos o desvio em

relao a Bo e b1 e igualamos a
zero encontramos duas equaes
e passamos a ter um sistema o
qual pode ser escrito como uma
operao de matrizes.

Igualando a zero e efetuando alguns

algebrismos chegamos aos valores
de Bo e b1. Mas podemos pensar
tambm na soluo de um sistema
linear.

Calculando os somatrios do
exemplo 1 da tabela que
originou o diagrama de
disperso teremos:

x2
i

xi

yi

1,3

3,4

x.y

y2

1,69

2,6

5,2

11,56

17,68

27,04

5,1

3,8

26,01

19,38

14,44

6,8

6,1

46,24

41,48

37,21

5,8

64

46,4

33,64

24,6

22,9

149,5

127,5

116,3

Realizando a multiplicao de
matrizes chegamos ao sistema

Resolvendo o sistema chegamos

aos valores de bo e b1.

 Utilizando o sistema ou as
expresses de b0 e b1 conseguimos
encontrar a melhor reta que
descreve os pontos da tabela.
4
3
f(x) = 0.7x - 1.4
R = 0.98
2
1
0
-3

-2

-1

0
-1
-2
-3
-4

Linear ()

 A qualidade do ajuste linear

medida atravs do coeficiente de
determinao , calculado como
segue (yci o valor de y calculado
pela equao de regresso):
2

y y

1
1
y n . y
i

2
i

ci

O r quadrado calculado do exemplo

foi de 0,6787, demonstra uma
preciso de 67,87 %

Ajuste Linear Mltiplo

Ajuste Linear Mltiplo
Quando temos mais de uma varivel
independente x para uma nica
varivel dependente y, devemos
utilizar a regresso linear mltipla
para relacionarmos todas elas.
O Ajuste linear mltiplo parte do
princpio de que possvel encontrar
um polinmio tal que:
y=b0+b1.x1+b2.x2+...+bp.xp

n
xi1
xi 2

xip

x
x
x .x x .x
x .x x .x
i1

i2

i1

i1

i2

i1

i1

i2

i2

i2

xi1.xip

xi 2 .xip

x
x .x
x .x

b0

b
ip i1 1

b
ip i 2 . 2


xip .xip bp
ip

y
x .y
x . y
i

i1

i2

xip . yi

Exemplo: Dados os pontos a seguir,

determine o ajuste linear mltiplo.

xi1

xi2

yi

01

60,3

108

234

02

61,1

109

259

03

60,2

110

258

04

61,2

112

285

05

63,2

112

329

06

63,6

113

347

07

65,0

115

365

08

63,8

116

363

09

66,0

117

396

10

67,9

119

419

11

68,2

120

443

12

66,5

122

445

13

68,7

123

483

14

69,6

125

503

15

69,3

128

518

16

70,6

130

555

Os somatrios das colunas da tabela anterior so:

i

xi1

xi2

01

60,3

108

02

61,1

109

03

60,2

110

04

61,2

112

05

63,2

112

06

63,6

113

07

65,0

115

08

63,8

116

09

66,0

117

10

67,9

119

11

68,2

120

12

66,5

122

yi

xi12

234 3636,0
9
259 3733,2
1
258 3624,0
4
285 3745,4
4
329 3994,2
4
347 4044,9
6
365
4225

xi22

xi1.xi2

xi1.yi

xi2.yi

14110
11664 6512,4
,2 25272
15824
11881 6659,9
,9 28231
15531
12100 6622
,6 28380
12544 6854,4 17442 31920
20792
12544 7078,4
,8 36848
22069
12769 7186,8
,2 39211
13225

7475 23725 41975

23159
363 4070,4
4 13456 7400,8
,4 42108
396
4356 13689 7722 26136 46332
28450
419 4610,4
1 14161 8080,1
,1 49861
30212
443 4651,2
4 14400 8184
,6 53160
29592
445 4422,2
5 14884 8113
,5 54290

xi1

xi2

1045,2

1879

Colocando
matriz:

yi

xi12

6202 68464,02

os

valores

xi22

xi1.xi2

xi1.yi

xi2.yi

410317,
221355 123087,3
6 738326

na

16
1045,2
1879
1045,2 68464,02 123087,3

1879 123087,3 221355

b0 6202
. b1 410317,6
b2 738326

Podemos resolver o sistema de equaes acima

atravs de qualquer mtodo (Gauss).

Resultado do sistema de equaes:

b0=-1407,4
b1=13,45
b2=7,80
Assim, a equao de ajuste :
y=-1407,4 + 13,45.x1 + 7,80.x2
Obs: O coeficiente de determinao R
quadrado calculado da mesma forma que o
ajuste linear simples
2
i
ci
2

y y

1
1
y n . y
2
i

 Exerccio
Dado os pontos representados na
tabela abaixo, ajustar os mesmos a
equao:
yi
y=b
.x1+b2.x
i 0+b1x1i
x2i 2
1

-2

-3

15

-1

12

10

5
6

10

-2

Resposta
esperada:
Y=11,55 -0,783.x1 0,581.x2

 Ajuste Polinomial
Um caso particular do ajuste linear
mltiplo aquele em que queremos
ajustar um polinmio de grau g.
Neste caso, teremos somente uma
varivel
independente
x
relacionada
a
uma
varivel
dependente y atravs de um
polinmio do tipo:
y=b0+b1.x+b2.x2+...+bg.xg

Para este caso particular, o sistema de

equaes anterior se simplifica para:

x
x

i
2

x
i

xi
2
x
i
3
x
i

g 1
x
i

2
x
i
3
x
i
4
x
i

g 2
x
i

g
x
i
g 1
x
i
g 2
x
i

2. g
x
i

b0
b
1
. b2


bg

y
x .y
x . y
i

i
2

g
x
i . yi

 Exemplo: Dada a tabela abaixo,

encontre o melhor polinmio de grau
3 que se ajusta aos dados:
i

xi

yi

0
1

0,0
1

0,10
00

0
2

0,1
0

0,31
62

0
3

0,2
0

0,44
72

0
4

0,3
0

0,54
77

0
5

0,4
0

0,63
25

0
6

0,5
0

0,70
71

0
7

0,6
0

0,77
46

0
8

0,7
0

0,83
67

Calculamos os somatrios

xi

0
1

0,0
1

yi

xi2

xi3

xi4

xi5

xi6

xiyi

xi2yi

xi3yi

0,10
00 0,0001 1E-06 1E-08 1E-10 1E-12 0,001 1E-05 1E-07
0
0,1
0,31
2
0
62
0,01 0,001 0,0001 1E-05 1E-06 0,0316 0,0032 0,0003
0
0,2
0,44
6,4E3
0
72
0,04 0,008 0,0016 0,0003
05 0,0894 0,0179 0,0036
0
0,3
0,54
0,0007
4
0
77
0,09 0,027 0,0081 0,0024
3 0,1643 0,0493 0,0148
0
0,4
0,63
5
0
25
0,16 0,064 0,0256 0,0102 0,0041 0,253 0,1012 0,0405
0
0,5
0,70
0,0156
6
0
71
0,25 0,125 0,0625 0,0313
3 0,3536 0,1768 0,0884
0
0,6
0,77
0,0466
7
0
46
0,36 0,216 0,1296 0,0778
6 0,4648 0,2789 0,1673
A tabela
com
os
somatrios
:
0
0,7
0,83
0,1176
8
0
67 2 0,49 30,343 0,2401
0,1681
5x
0,5857
5
3
xi
yi
xi
xi
xi4
x
xi6
xi2y0,41
xi0,287
yi
i
iyi
i
0
0,8
0,89
0,2621
7,205
3,850
2,533
2,208
1,978
4,512
2,751
9
0
44
5,51
3,025
3,378
0,64
0,512 0,4096 0,3277
4 0,7155
0,5724 0,4579
1
1
3
3
41
7
4
1
0,9
0,94
0,5314
0
0
87
0,81 0,729 0,6561 0,5905
4 0,8538 0,7684 0,6916
1
1,0
1,00

 Colocando os valores na matriz:

11

3,025
2,5333

5,51

5,51

3,8501

3,8501

3,025

3,025

2,5333

2,5333 2,2083 1,97841

3,8501
3,025

2,2083

b0 7,2051
b 4,5127

. 1
b2 3,378

b3 2,7514

Resolvendo este sistema de equaes

atravs de qualquer mtodo j visto
(Gauss):

Soluo do sistema:
b0=0,1011
b1=2,0685
b2=-2,1782
b3=1,0186
E o polinmio de ajuste ser:
y=0,1011+2,0685.x2,1782.x2+1,0186.x3

 Transformao de modelos no lineares em

lineares
alguns
casos,
deparamos
com
modelos
essencialmente no lineares, como por exemplo, se
o diagrama de disperso de uma determinada
funo se ajustar a uma exponencial. Nestes casos,
aplicamos
algumas
regras
simples
para
transformar este modelo no linear em linear para
poder ser trabalhado.
importante resaltar que os parmetros assim
obtidos no so timos. Isto porque o que se ajusta
o problema linearizado, e no o original.

Exemplos de transformaes:
y=a.xb ln(y)=ln(a)+b.ln(x)
y=a.bx ln(y)=ln(a)+ln(b).x
y=a.eb.x ln(y)=ln(a)+b.x
y=e(a+b.x1+c.x2) ln(y)=a+b.x1+c.x2
y a.x1b .x2c ln( y ) ln(a ) b. ln( x1 ) c. ln( x2 )
1
1
y
a b.x1 c.x2
a b.x1 c.x2
y
y

1
1 e a b. x1 c. x2

1
ln 1 a b.x1 c.x2
y

Exemplo: Ajustar os pontos abaixo a

equao
i

xi

yi

0,1

5,9

1,5

8,8

3,3

12

4,5

19,8

21,5